現今臺灣地區的道路交通越來繁忙，時間的掌握與安排成為政府和民眾非常重視的課題。為了有效的掌握與安排旅行時間，我們提出了ㄧ個包含前端操作介面、與後端資料分析的旅行時間預測系統。前端操作介面共有兩個模組，第一個是時間推算模組，他的功能是當作使用者和資料庫之間的橋梁、第二個是LineBOT模組其功能則是將資料庫的資料計算成旅行時間。後端資料分析系統則分成三個模組：首先我們設計數據篩選模組整理並縮小Open Data的資料，接著再利用數據分群模組將資料做分析資料以求出平滑的數據，最後使用時間回溯模組來將數據換算成旅行時間並存到資料庫供使用者查詢。經實驗證明，我們所提出的系統可有效的預測出旅行時間。

Nowadays, the road traffic in Taiwan is getting more and more busy, and the mastery and arrangement of time has become a topic that the government and the people attach great importance to. In order to effectively master and arrange travel time, we propose a travel time prediction system that includes front-end operation interface and back-end data analysis. The front-end operation interface has two modules. The first one is the time estimation module. Its function is to serve as a bridge between the user and the database. The second is the LineBOT module. Its function is to store the data of the database. Calculated as travel time. The back-end data analysis system is divided into three modules: First, we design the data filtering module to organize and reduce the Open Data data, and then use the data clustering module to analyze the data to obtain smooth data, and finally use the time backtracking. The module converts the data into travel time and saves it to the database for the user to query. Experiments have shown that our proposed system can effectively predict travel time.

目錄
第一章 緒論	1
第二章 背景知識	5
2.1 旅行時間預測相關文獻	5
2.2 k-means++技術相關文獻	6
第三章 系統架構	8
第四章 後端資料分析系統	11
4.1 數據篩選模組	11
4.2 數據分群模組	13
4.3 時間回溯模組	14
第五章 前端查詢服務系統	17
5.1 時間推算模組	17
5.1.1 路線取得	17
5.1.2 平面道路上的旅行時間計算	17
5.1.3 高速公路上的旅行時間計算	18
5.2 LineBOT模組	19
5.2.1 字詞分析	19
5.2.2 參數存取	20
5.2.3 訊息回覆	21
5.2.4 廣告投放	22
第六章 實驗結果與實作展示	23
6.1 實驗	23
6.1.1 旅行時間比較	23
6.1.2 系統品質比較	28
6.1.3 查詢時間比較	30
6.1.4 後端資料更新探討	31
6.2 實作與展示	31
第七章 結論和未來展望	33
第八章 參考文獻	35
附錄：英文論文	36

圖目錄
圖 1：系統架構	8
圖 2：後端流程	9
圖 3：前端流程	9
圖 4：openData分組架構	12
圖 5：k-means++分群示意	14
圖 6：時間回溯模組流程	16
圖 7：高速公路上計算旅行時間流程	19
圖 8：訊息回覆示意	22
圖 9：國道一號旅行時間結果	24
圖 10：國道二號旅行時間結果	25
圖 11：國道三號旅行時間結果	26
圖 12：國道五號旅行時間結果	27
圖 13：不同取值方法對旅行時間的影響	28
圖 14：國道平均準確度	30
圖 15：實作回覆示意	32

表目錄
表 1：openData屬性表	11
表 2：數據篩選模組輸出資料	13
表 3：數據分群模組輸出資料	14
表 4：旅行路線方向之判斷標準	18

[1]　蔡繼光，「高速公路旅行時間預測-以k-NN法及分群方法探討」，國立交通大學運輸科技與管理研究所，碩士論文，2009。
[2]　Wang, Y., Cao, J., Li, W., & Gu, T. (2016, May). Mining traffic congestion correlation between road segments on gps trajectories. In Smart Computing (SMARTCOMP), 2016 IEEE International Conference on (pp. 1-8). IEEE.
[3]　Zhang, J., Pan, X., Li, M., & Philip, S. Y. (2016, June). Bicycle-sharing system analysis and trip prediction. In Mobile Data Management (MDM), 2016 17th IEEE International Conference on (Vol. 1, pp. 174-179). IEEE.
[4]　Hamerly, G., & Elkan, C. (2004). Learning the k in k-means. In Advances in neural information processing systems (pp. 281-288).
[5]　Wagstaff, K., Cardie, C., Rogers, S., & Schrödl, S. (2001, June). Constrained k-means clustering with background knowledge. In ICML (Vol. 1, pp. 577-584).
[6]　Min, Z., & Kai-fei, D. (2015, August). Improved research to k-means initial cluster centers. In Frontier of Computer Science and Technology (FCST), 2015 Ninth International Conference on (pp. 349-353). IEEE.
[7]　Tzortzis, G., & Likas, A. (2014). The MinMax k-Means clustering algorithm. Pattern Recognition, 47(7), 2505-2516.